这次我们聊一个偏行业观察的话题AI 公司真的赚钱了吗如果只看融资新闻、估值和发布会答案好像是肯定的但如果把“利润”的来源拆开看会发现另一个更扎眼的现实——大量 AI 公司的账面利润其实是由投资者持续输血撑起来的而不是从客户那里真正赚回来的。这个判断不是随口说说而是过去一年里投资圈和行业分析里反复被讨论的一个核心观点。它背后涉及的问题很简单AI 产品的收入能否覆盖训练、推理、人力、数据、销售这些真实的成本这篇文章我不会停留在“AI 泡沫还是机会”这种口号层面而是从技术人更熟悉的角度切入GPU 和显存成本、API 定价、模型部署方式、单位经济模型。你会看到为什么很多 AI 项目看起来利润很高实际上每一单都在亏钱也会看到什么样的 AI 项目才是“客户付费型”真正值得投入。无论你是做 AI 应用开发、选型架构还是负责公司内部 AI 项目立项这篇都可以当作一份成本视角的参考。1. 核心结论速览先给出一份可以直接保存的判断清单。下面这些内容不是我的主观估值而是从成本结构、收入质量、投资节奏三个维度提炼出来的观察视角。分析维度核心判断收入构成很多AI公司的现金流入主要来自股权融资客户收入占比偏低利润类型账面利润或估值增长并不等于经营利润主要成本算力硬件、数据、研发人力、销售费用四大项客户付费现状订阅、API、企业项目都存在但单位经济模型容易为负工程师关注重点单用户收入、单次生成成本、显存利用率、批处理吞吐什么项目能赚钱嵌入真实工作流、降低可量化成本、客户留存率高的场景这篇文章不推荐大家“看完就抛售”或“重仓布局”。我的主要目标是把账算明白让技术选型和商业化判断有据可循。2. 为什么说AI利润“由投资者资助”传统软件公司的成长路径通常是做出产品卖给客户收入覆盖成本形成利润。而过去几年 AI 领域的头部玩家走出了另一条路径先融资再烧钱买 GPU、建数据中心、搞大模型训练用免费或低价产品吸引用户拿到下一个融资轮次再继续烧。这种路径下公司对外展示的“增长”主要由资本开支驱动。按照那个流行的批评观点来理解AI 公司的利润不是“赚”出来的而是“喂”出来的。投资者投入的资金进入了公司的银行账户然后这笔钱被转换为 GPU 集群、研发薪资、市场费用最终在财务报表上体现为大量支出。只要融资速度快于烧钱速度账面就不会难看一旦融资放缓成本立刻会暴露出来。还有一个容易被忽略的点投资人的钱进入公司后往往并不会立刻变成客户价值。很多模型训练完成、API 上线后实际调用量并不高大量算力处于闲置状态。从资源利用率角度看这比单纯亏损更值得警惕。亏损可以靠融资补算力闲置意味着投入产出比进一步恶化。当然说“利润来自投资者而非客户”并不是否定所有 AI 公司。垂直场景里确实有公司拿到了稳定的客户合同靠 SaaS 订阅和私有化部署产生了真实收入。但整体来看客户收入能否追平融资驱动下的巨额投入仍然是一个未解决的问题。3. 支出端AI公司的钱都花在哪里要判断 AI 公司是否真的赚钱先看钱花到哪里了。我按工程视角把支出拆成五类。支出项技术表现可优化空间算力硬件GPU服务器、存储、网络设备训练和推理共享同一批资源模型量化、蒸馏、混合部署数据中心电力消耗、散热、机房租赁维持GPU 7x24小时运行弹性伸缩、冷热数据分层研发人力算法工程师、机器学习平台团队、基础设施团队避免重复造轮子用成熟框架数据数据采集、清洗、标注、版权授权合成数据、主动学习降低标注量市场与销售品牌投放、销售团队、免费试用额度补贴聚焦目标客户减少无效投放算力是最大头。大模型训练的显存需求通常以百 GB 甚至 TB 级别计算训练集群往往需要数百张高端显卡或专用芯片长时间运行。推理阶段虽然单次成本更低但当用户量增长到百万级时每天产生的 GPU 推理成本仍然非常可观。这里的工程经验是很多失败项目不是市场没需求而是把推理成本算漏了。一次生成的 token 数、并发峰值、批处理大小、量化精度每一项都能让目标成本成倍变化。我后面会单独给一套计算思路。4. 收入端客户真的愿意为AI付钱吗AI 公司目前的收入来源大致可以分成四类C 端订阅。代表产品是通用聊天助手、AI 写作工具、AI 绘画工具。用户按月付费价格在几十到一百多元不等。问题是用户留存并不稳定很多人试用一两次后就不再续费。API 按 token 调用。开发者接入大模型 API按输入输出 token 数量计费。这是目前最标准的 AI 商业模式但竞争激烈价格在过去一年里下降了不止一个台阶单纯转售 API 的中间商利润已经很薄。企业私有化部署。客户把模型部署在自己的内网环境一次性收取项目费用并附带年度维保。这种收入单价高客户粘性也强但项目周期长、定制化需求多交付成本不可控。定制解决方案。针对特定行业场景做模型训练和工程落地比如智能客服、文档解析、流程自动化。这类项目能解决实际问题客户愿意付费但很难标准化复用。判断客户是否真的“用脚投票”主要看续费率和活跃度。一个产品如果首月转化很高但次月留存断崖式下跌那它消耗的是投放费用和用户好奇心而不是真实需求。另一个信号是用户是否愿意为 API 调用量付费。如果产品大规模免费试用调用量自然好看但那不代表客户价值。我的建议是看一家 AI 公司是否健康少看发布会上的 Demo多看两个数字——客户收入占总收入的比例以及老客户的续费金额是否在增长。5. 从工程视角拆解“一单AI服务的真实成本”这一节是文章的技术重点。我以 API 转售或自建大模型服务为例演示如何把一个 AI 产品的单位经济模型算清楚。5.1 单次生成成本公式一次 AI 生成服务的最低成本大致等于推理成本、算力折旧、电费的分摊。用 Python 可以定义这样一组函数来估算def estimate_inference_cost( gpu_purchase_price, # GPU采购买价例如 120000 gpu_lifetime_months, # 折旧月数例如 24 power_watt, # 单卡功耗例如 350W electricity_fee, # 每度电价格例如 0.8 元/kWh total_tokens, # 生命周期内可处理的token总量 utilization_ratio # 实际利用率例如 0.3 ): hardware_cost gpu_purchase_price / gpu_lifetime_months / (30 * 24) power_cost_per_hour power_watt / 1000 * electricity_fee all_running_cost hardware_cost power_cost_per_hour effective_tph total_tokens / (gpu_lifetime_months * 30 * 24) * utilization_ratio return all_running_cost / max(effective_tph, 0.0000001) gpu_cost estimate_inference_cost( gpu_purchase_price120000, gpu_lifetime_months24, power_watt350, electricity_fee0.8, total_tokens100_000_000, utilization_ratio0.3 ) print(f单token推理成本约 {gpu_cost * 1000:.4f} 元/千token)这段代码是通用模板具体参数需要按实际硬件和电价调整。但算出来的思路很明确如果单用户每月付费 20 元而每月生成内容所需 token 对应的推理成本超过 20 元那一单的毛利就是负的。5.2 GPU资源利用率的现场观察方法真实项目中GPU 利用率往往远低于预期。部署模型后建议用下面的命令定期采集利用率、功耗和显存占用nvidia-smi --query-gpuindex,utilization.gpu,power.draw,temperature.gpu,memory.used --formatcsv -l 5如果utilization.gpu长期低于 30%说明资源分配不合理。可以调整的方向包括增加批处理大小、减少并发线程数、改用更高吞吐的推理框架或者把推理任务放到离线队列统一处理。5.3 决定单个请求成本的关键参数大模型服务成本不是只看参数“70B 还是 13B”。同一份模型在不同工程配置下成本可以相差数倍输入长度越长显存和 GPU 耗时越高。输出 token 越多生成阶段占用的推理时间越长。并发越高单卡吞吐越容易打满但超出合理并发后请求排队时间上升。量化等级越低显存占用越少但输出质量和采样稳定性可能有损失。这些参数在项目启动前就应该压测而不是上线后再调优。批量任务和离线任务可以错峰运行把高峰成本降下来。6. API价格战与“卖铲子”生意现在很多 AI 公司赚不到客户的钱有一个直接原因模型 API 价格被压到了很低的水平。头部厂商自研芯片、规模化部署把单 token 成本压得非常低。对于依赖第三方大模型 API 做应用的公司来说收入几乎被成本稀释利润空间越来越小。这种情况很像淘金热淘金的人不一定赚钱但卖铲子的人收入稳定。AI 领域的“铲子”包括模型训练平台、推理加速框架、可观测与成本监控工具、RAG 知识库中间件、AI 安全合规产品。这些工具不直接提供模型能力而是帮别人把模型用得更便宜、更稳定、更容易管理客户对象是企业付费意愿比普通 C 端流量更明确。如果从创业方向角度看做通用大模型的窗口已经过了。更实际的机会在垂直领域的工程整合把模型能力接进客户已有的系统解决特定流程问题并按结果收费。这要求团队懂行业而不是只懂算法。7. AI商业化的健康信号与危险信号下面是一份技术人也可以用来做公司尽调或项目评审的指标清单。类型信号说明健康客户收入占现金流入比例连续上升说明产品开始被市场买单健康老客户续费率 80%说明产品已经嵌入商业流程健康推理成本曲线低于收入曲线说明规模效应真正发挥作用危险融资额持续增长但客户收入停滞说明资本输血支撑增长危险免费用户占比过高说明付费转化模型还未跑通危险API价格下降速度超过成本下降速度说明中间层利差正在消失危险试用活跃但留存储蓄式下降说明需求是伪需求或体验不够好这些指标不是财报写作风格但比估值和收入总额更能反映 AI 项目的真实健康度。技术人员参与公司内部项目评审时可以直接把这张表拿来做参考。8. 技术人避坑建议把项目做成“客户付费型”从工程落地角度我给四步具体的建议。8.1 先找付费种子客户再大范围投入不要先建平台再找用户。先锁定 3 到 5 个愿意付费的客户把他们的核心流程用 AI 跑通再决定要不要扩大投入。付费反馈是最真实的模型评估指标。8.2 用开源模型做成本下限如果业务不需要最强的通用性能可以优先考虑开源模型配合量化部署。本地化部署可以把单次调用成本从按 token 计费的云端 API 变成固定设备折旧适合批量任务量大、数据敏感度高的场景。# 使用vLLM部署开源模型的通用模板实际命令需按模型名称调整 python -m vllm.entrypoints.openai.api_server \ --model /path/to/model \ --quantization awq \ --max-model-len 8192 \ --gpu-memory-utilization 0.9具体的模型路径、量化方式都要按实际硬件调整。第一次跑先用低并发、小 batch 验证效果。8.3 每季度复盘一次单位经济模型AI 项目的成本不是静态的。GPU 价格会变化推理框架会更新客户的使用模式也会变化。建议每季度把单位收入、单位推理成本、单位获客成本三个数字重新算一次偏差超过 30% 就需要调整部署策略。8.4 警惕“成本幻觉”别只看 GPU 采购价要把机房建设或云资源租金、运维人力、网络带宽、监控告警系统全部计入成本。很多项目单独算模型推理很便宜加上工程化成本以后就变成亏损。9. 总结利润从哪里来决定AI能走多远回到开头的观点有不少 AI 公司的利润确实不是从客户那里赚到的而是来自投资者的持续资助。这意味着什么它意味着只要资本市场愿意继续投入这些公司就能维持账面增长但资本有退潮的一天最终能留下来的一定是把单位经济模型跑正、让客户持续付费的公司。对于技术人来说这篇文章最值得记住的其实是几个朴素的问题你的 AI 项目单次调用成本是多少客户愿意为这个结果支付多少钱如果客户不付钱你的项目还能运行多久把这几个问题想清楚无论你现在是在做大模型应用、做产品选型还是准备独立创业都能少走很多弯路。AI 行业目前最缺的不是更强的模型而是愿意为真实价值付费的客户。让技术成本降下来让客户收入涨上去才是整个行业真正站住脚的时刻。
尧图网络